Geometric scale-space framework for the analysis of hyperspectral imagery

Abstract

This work introduces a framework for a fast and algorithmically scalable multiscale representation and segmentation of hyperspectral imagery. The framework is based on the scale-space representation generated by geometric partial differential equations (PDEs) and state of the art numerical methods such as semi-implicit discretization methods, preconditioned conjugated gradient, and multigrid solvers. Multi-scale segmentation of hyperspectral imagery exploits the fact that different image structures exists only at different image scales or resolutions, enabling a better exploitation of the high spatial-spectral information content in hyperspectral imagery. Higher level processes in hyperspectral imagery such as classification, registration, target detection, restoration, and change detection can improve significatively; by working on the regions (objects) identified by the segmentation process, rather than with the image pixels, as it is traditionally done. The main contribution of this work is the introduction of a framework, where vector-valued geometric scale-spaces are seamlessly integrated with an algorithm for multiscale segmentation of hyperspectral imagery, in a fast and scalable way that makes feasible an object-oriented approach for higher level processes in hyperspectral image processing.

Este trabajo presenta una base formal para la representación y segmentación multi-escala de imágenes híper-espectrales en forma rápida y escalable algorítmicamente. El fundamento de este trabajo se basa en la representación de espacio de escala generada por ecuaciones diferenciales parciales geométricas y métodos numéricos modernos como la discretización semi-implícita, gradiente conjugado precondicionado, y métodos multi-malla. La segmentación multi-escala de imágenes híper-espectrales explota el hecho de que diferentes estructuras en la imagen existen únicamente a diferentes escalas o resoluciones de la imagen, v permitiendo una mejor explotación del alto contenido espacial y espectral en imágenes híper-espectrales. Métodos de procesamiento de imágenes híper-espectrales de mayor nivel tales como clasificación, registración, detección de objetos, restauración de imágenes, y detección de cambio pueden mejorar significativamente; trabajando con las regiones identificadas por la segmentación, en lugar de usar los pixeles de la imagen, como se hace tradicionalmente. La principal contribución de este trabajo es la introducción de una base formal, donde el espacio de escala para imágenes vectoriales es integrado en forma natural con un algoritmo para la segmentación multi-escala de imágenes híper-espectrales, con una complejidad computacional que es lineal en el tamaño de las imágenes.